AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：医疗AI×
6月25日
19:55
6月24日
01:12
00:09
6月23日
20:54
13:09
13:09arXiv cs.AI@Yansong Liu, Li-Hsi, Lin, Pramit Khetrapal, Ronnie Stafford, John Kelly, Ivana Drobnjak
远程患者监测依赖患者报告数据，恢复质量（QoR-15）调查是金标准，但设计用于偶尔院内评估，在远程场景中每天使用。实际术后部署中仅55%患者提交超过14天。研究开发QoR-compact，一个5项日间输入，通过穷举评估所有3003个5问题子集，选出最佳组合达到平均AUC-ROC 0.968（95% CI 0.915-0.988），与完整QoR-15的0.964基线统计可比。该5项涵盖身体和心理维度：Q3（休息感）、Q9（舒适与控制）、Q10（幸福感）、Q12（严重疼痛）和Q14（焦虑）。患者级回测显示QoR-compact跟踪再入院事件的忠实度与完整表单相同。需在更大队列上外部验证后方可临床使用。
论文QoR-15QoR-compact远程患者监测恢复质量医疗AI
推荐理由：这篇论文把15题的术后恢复问卷压到5题，精度几乎没差，病人更容易每天填完。适合搞远程监测的人看。
原文
11:59
6月22日
22:53
6月19日
06:38
03:29
03:03
6月18日
23:35
23:34
23:04
22:40
00:36
6月17日
23:08
6月16日
20:46
6月15日
11:10
6月13日
18:52
09:50
6月12日
12:57
6月11日
15:28
15:23
15:07
6月4日
21:21
21:21IT之家（博客/媒体）
精选
华为数据存储产品线副总裁吴俊杰在2026华为全球教育医疗伙伴中国周上表示，医疗是智能化转型最快的行业之一，华为已助力3900余家医疗机构完成从数字化到智能化的升级。华为推出四大解决方案：核心业务数据融合方案、AI数据湖方案、AI数据平台和数据保护方案，分别解决医疗系统高并发、跨院区数据共享、AI辅助诊疗精度和数据安全等痛点。其中，AI数据湖方案使病理分析时延从500ms降至40ms，AI数据平台将专业知识库检索精度提升至95%以上。华为还组建了医疗卫生军团，推动AI诊疗商业模式落地。
行业华为医疗AI数据存储智能化转型AI数据平台
推荐理由：医疗IT团队和医院管理者可以了解华为如何用存储技术解决就诊高峰卡顿、跨院数据共享等实际问题，直接参考其方案架构。
原文
6月3日
13:49
10:31
10:31arXiv: DeepSeek@Ruihui Hou, Siyi Zhu, Ziyue Huai, Guangya Yu, Yongqi Fan, Chunming Wang, Tong Ruan
现有基准主要评估大模型在单疗程场景中的表现，缺乏对多疗程（患者病情随时间演变）的系统评估。为此，研究者提出了ClinicalMC基准，包含1275个中文和5804个英文样本，覆盖从入院到出院的四个阶段（分诊、首诊检查/诊断/治疗、后续多疗程检查/评估/治疗、最终诊断）。英文数据集患者平均经历5.11个疗程，中文数据集为3.42个。他们构建了包含患者、考官和医生智能体的多智能体评估框架，并设计了单轮静态和多轮动态两种实验设置，评估了闭源模型（如GPT5-mini）、开源模型（如DeepSeek-V3.2）和医疗模型（如HuatuoGPT-o1）。该工作旨在更好地理解大模型在医疗领域的表现，支持其有效部署。
论文临床决策多疗程基准测试医疗AI多智能体评估
推荐理由：医疗AI开发者终于有了评估模型在多疗程动态决策中的基准——ClinicalMC覆盖从分诊到出院的完整流程，做临床决策系统的团队可以直接拿来测模型。
原文
00:31
00:31小互@imxiaohu
AI在医疗领域的应用正从“看片子找病灶”升级为“世界模型”，能提前模拟不同治疗方案在患者身上的长期效果，并直接推荐最优方案。该技术已在肝癌化疗栓塞和放疗中验证，将临床决策成功率提升13%。其核心价值在于，真实世界不允许多次试错，而世界模型提供了低成本、高保真的决策模拟。这一范式有望扩展到农业、城市规划、低空经济等高风险决策领域。
AI产品世界模型医疗AI决策模拟临床治疗FutureLivingLab
推荐理由：医疗AI终于从“识别病灶”进化到“预测疗效”，做临床决策的医生和医疗AI开发者值得关注——世界模型正在把试错成本降到零，建议点开看看它如何颠覆传统治疗流程。
原文
5月30日
00:36
5月26日
12:12
12:12arXiv: OpenAI@Lingyao Li, Deyi Li, Chen Chen, Renkai Ma, Runlong Yu, Mingquan Lin, Rui Yin, Lizhou Fan, Cathy Shyr, Siyuan Ma, Mei Liu, Steven Bethard
精选
这篇综述系统分析了 LLM-as-a-Judge 在医疗领域的应用现状，涵盖临床决策支持、自然语言处理、医学问答和医疗沟通等场景。研究检索了 2023 年 1 月至 2026 年 2 月的 541 篇文献，最终纳入 134 项研究。OpenAI 模型是最常用的评判者，提示工程几乎出现在所有研究中，集成、多智能体和检索增强设计是常见扩展。在报告人类验证的研究中，LLM 评判者与专家判断呈现中等到强对齐，但可靠性因任务而异。该综述认为 LLM-as-a-Judge 是可扩展的医疗 AI 评估框架，但其临床价值取决于模型设计和严格验证。
论文LLM-as-a-Judge医疗AI评估框架临床决策支持人类对齐
推荐理由：医疗 AI 评估一直缺乏规模化手段，这篇综述系统梳理了 LLM-as-a-Judge 在临床场景的落地情况，做医疗 AI 开发或评估的团队可以快速了解当前方法的有效性和局限。
原文
5月23日
00:59
5月21日
14:02
12:35
5月20日
11:57
11:57pandaily@contact@pandaily.com (Pandaily)
Cofoe Medical与腾讯天籁实验室合作推出X5骨传导助听器，利用AI技术提升听力辅助效果。该产品采用骨传导技术，通过颅骨传递声音，避免传统助听器的堵塞感。AI算法可实时优化声音，适应不同环境，如嘈杂或安静场景。X5旨在为听力障碍者提供更自然、舒适的听觉体验，同时降低使用门槛。这一合作结合了Cofoe的医疗设备经验与腾讯的AI音频技术，有望推动助听器市场智能化升级。
AI产品AI助听器骨传导腾讯天籁实验室Cofoe医疗AI
推荐理由：AI+骨传导助听器解决了传统助听器佩戴不适和场景适应差的痛点，听力障碍者或关注老年健康的用户可以关注这款产品，它可能让日常交流更自然。
原文
10:20
10:20arXiv cs.AI@Hebin Hu, Renke Dai, Ah-Hwee Tan, Yilin Kang
精选
研究团队提出一个框架，用于合成高质量、长期医疗对话数据集MediLongChat，以评估医疗AI代理的记忆和推理能力。该框架通过知识引导分解为三个阶段：构建具有多样疾病和并发症轨迹的患者档案、生成每次就诊的多轮对话、整合为连贯的纵向历史数据集。他们设立了三个基准任务（对话内推理、跨对话推理、合成推理）来测试医疗代理的记忆能力。实验表明，即使最先进的LLM在MediLongChat上也表现不佳，凸显了该基准的挑战性和开发定制方法的必要性。
论文医疗AI长期记忆对话系统数据集LLM评估
推荐理由：医疗AI开发者终于有了一个能真正测试长期记忆能力的基准——MediLongChat让跨会话推理变得可评估，做医疗对话系统的团队建议直接拿来跑跑看。
原文
5月19日
20:56
14:26
14:26arXiv cs.AI@Payal Chandak, Victoria Alkin, David Wu, Maya Dagan, Taposh Dutta Roy, Maria Clara Saad Menezes, Ayush Noori, Nirali Somia, John S. Brownstein, Ran Balicer, Rebecca W. Brendel, Noa Dagan, Isaac S. Kohane, Gabriel A. Brat
精选
医学伦理天然具有多元性，但大型语言模型在提供医疗建议时可能隐含单一的价值偏好。研究者提出了一个审计框架，包含临床验证的伦理困境基准和从决策中恢复价值优先级的方法。前沿模型在讨论伦理冲突时能展现观点多元性，但个体决策几乎确定，无法复现医生群体的分布性多元。多数模型的价值优先级在医生变异范围内，但部分模型显著低估患者自主权。若不加干预，单一模型可能将自身价值偏好大规模强加给所有患者，取代临床伦理的多元性。
论文AI伦理医疗AI价值多元性审计框架语言模型
推荐理由：这篇论文揭示了AI医疗建议中隐藏的价值偏见问题，做医疗AI开发或临床决策支持的团队值得关注——它提醒我们，模型不只是输出答案，还在无声地传递伦理立场。
原文
5月18日
20:15
5月16日
18:25
5月14日
19:09
13:37
13:37
13:37
5月12日
19:11
19:11arXiv cs.AI@Yixuan Yang, Mehak Arora, Ryan Zhang, Baraa Abed, Junseob Kim, Tilendra Choudhary, Md Hassanuzzaman, Kevin Zhu, Ayman Ali, Chengkun Yang, Alasdair Edward Gent, Victor Moas, Rishikesan Kamaleswaran
Clin-JEPA 提出了一种多阶段联合训练框架，将 JEPA（联合嵌入预测）范式扩展到电子健康记录（EHR）数据。该框架通过五阶段预训练课程（预测器预热、联合精调、EMA目标对齐、硬同步和预测器最终化），稳定地共同训练 Qwen3-8B 编码器和 92M 参数潜在轨迹预测器。在 MIMIC-IV ICU 数据上，Clin-JEPA 实现了潜在ℓ₁展开漂移在 48 小时范围内收敛（-15.7%），而基线方法发散（+3% 到 +4951%）。编码器学习到临床可分辨的潜在几何结构（病情恶化患者与稳定患者的潜在距离比基线高 4.83 倍 vs ≤2.62 倍）。单一骨干网络在多任务下游评估中优于强基线，平均 AUROC 在 ICareFM EEP 上达到 0.851，8 个二元风险任务上达到 0.883（分别比基线平均高 0.038 和 0.041）。
论文医疗AI预训练模型EHRJEPA时序预测
推荐理由：该工作首次将 JEPA 范式成功应用于 EHR 轨迹建模，解决了联合训练不稳定和表示坍缩的关键问题，为医疗领域预训练大模型提供了一种高效且无需任务微调的方案。
原文
5月11日
11:43
11:43arXiv cs.AI（学术论文）
学习延迟（L2D）方法通过将困难或不明确的病例路由给人类专家，可以提高青光眼筛查的安全性，但现有方法忽视了专家可用性、读者行为异质、工作负载不平衡、诊断伤害不对称等问题。本文提出MPD²-Router，一个掩码感知的多专家延迟框架，将眼科分流重新形式化为受约束的人机路由问题，决定是否延迟以及路由给哪位可用专家。该框架耦合了双头延迟分配策略与掩码感知Gumbel-sigmoid门控，严格强制每个样本的专家可用性，并融合不确定性、形态学、图像质量和分布外信号。训练采用非对称成本敏感目标、增广拉格朗日延迟预算、组特定分布先验和秩最大化JS正则化，共同防止专家空间坍塌。在三个跨国家青光眼队列（REFUGE、CHAKSU、ORIGA）上，使用预训练的REFUGE骨干，MPD²-Router在中等延迟率下显著降低了临床成本并提高了MCC，在F1-MCC成本方面达到帕累托最优，并对跨域迁移具有鲁棒性。
论文医疗AI人机协作路由算法青光眼筛查多专家
推荐理由：该工作为医疗AI中的人机协作提供了一种实用的优化方法，能够减轻专家负担并确保安全，尤其适用于资源受限或需要高质量诊断的场景。
原文